See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/357441965

Estado da arte sobre o uso de Big Data no PDP sob a perspectiva do Data-
driven Design voltado à inovação

Article  in  Produto & Produção · October 2021

DOI: 10.22456/1983-8026.118969

CITATIONS READS

0 11

3 authors:

Valkiria Pedri Fialkowski Thais Scaglione

Universidade Federal do Paraná Universidade Federal do Paraná
17 PUBLICATIONS   10 CITATIONS    9 PUBLICATIONS   0 CITATIONS   

SEE PROFILE SEE PROFILE

Aguinaldo dos Santos

Universidade Federal do Paraná
170 PUBLICATIONS   701 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

11432 - Logística Reversa de Resíduos Têxteis Industriais e Pós-consumo: Design Aplicado a Sistemas e Serviços Sustentáveis e Modelos de Negócios View project

LeNSin View project

All content following this page was uploaded by Aguinaldo dos Santos on 16 January 2022.

The user has requested enhancement of the downloaded file.

PRODUTO & PRODUÇÃO, vol. 22, n.3, p.99-110. 2021*.

Estado da arte sobre o uso de Big Data no PDP sob a perspectiva do Data-
driven Design voltado à inovação
State of the art on the use of Big Data in the PDP from the perspective of
Data-driven Design aimed at innovation

Valkiria Pedri Fialkowski

Universidade Federal do Paraná
e-mail: val.pedri@gmail.com
https://orcid.org/0000-0002-9030-7764

Thais Scaglione
Universidade Federal do Paraná
e-mail: thais.scaglionee@hotmail.com

Aguinaldo dos Santos

Universidade Federal do Paraná
e-mail: asantos@ufpr.br

*
Fast-track Congresso Brasileiro de Inovação e Gestão de Desenvolvimento do Produto
(CBGDP).
Resumo

O Big Data tem ganhado destaque ao possibilitar a obtenção de informações acerca do comportamento
do usuário que podem ser utilizadas para o gerenciamento do PDP (Processo de Desenvolvimento de
Produto), apoiando a tomada de decisão estratégica. O objetivo deste artigo é apresentar uma análise
crítica, exploratória e qualitativa da literatura, sobre estudos de Big Data para o PDP, através do DDD
(Data-Driven Design), visando a inovação. Por meio da Revisão Bibliográfica, foi possível identificar
lacunas e ênfases acerca dos temas. Foram analisadas as fontes, tipos e processamento dos grandes dados
dentro das atividades das macrofases do PDP. Os resultados apontam oportunidades de pesquisa para o
DDD no PDP e de contribuições do uso do Big Data. No entanto, também demonstram a necessidade
de novas linguagens e capacitações dentre os profissionais envolvidos e reestruturação do PDP para
integrar de maneira sistemática e estratégica o uso de dados no seu processo.

Palavras-chave: Data-driven Design; Big Data; PDP.

Abstract

Big Data has gained prominence by making it possible to obtain information about user behavior that
can be used to manage the PDP (Product Development Process), supporting strategic decision-making.
The aim of this article is to present a critical, exploratory and qualitative analysis of the literature on
Big Data studies for the PDP, through DDD (Data-Driven Design), aiming at innovation. Through the
Literature Review, it was possible to identify gaps and emphases about the themes. The sources, types
and processing of large data within the activities of the PDP macrophases were analyzed. The results
point to research opportunities for DDD in the PDP and contributions from the use of Big Data.
However, they also demonstrate the need for new languages and training among the professionals
involved and the restructuring of the PDP to systematically and strategically integrate the use of data
in its process.

Keywords: Data-driven Design; Big Data; PDP.

1. Introdução.

O O PDP é um grupo de atividades que tem por objetivo identificar oportunidades de mercado
e atender essas expectativas (ROZENFELD et al., 2006). Alão (2020) destaca que a frequente mudança
de comportamento dos usuários e aumento das conexões e da interdependência dos stakeholders
envolvidos, reforça a complexidade e relevância de se encontrar estratégias que visem acompanhar esse
processo. Assim, coletar e interpretar informações, rapidamente e com assertividade, sobre os usuários,
tornou-se um desafio.
Neste caminho, os grandes dados digitais – Big Data – têm ganhado destaque, visto que ao
empregar-se técnicas e métodos para analisá-los pode-se extrair informações relevantes (SPIEGEL,
2016). Esses dados são gerados por diferentes atores e dispositivos (gadgets), inclusive pelos próprios
processos de manufatura e de experiência do usuário (SPIEGEL, 2016). Ademais, a utilização da
informação por meio da análise digital pode ajudar a organização a mudar a cultura de tomada de
decisão, aumentando sua eficácia (FRISK; BANNISTER, 2017) e oportunidades de inovação.
No contexto do Design, a aplicação de Big Data para gerar soluções é referida como Data-
Driven Design (DDD) (BERTONI, 2018). Entretanto, poucas aplicações do DDD são apresentadas na
literatura e há uma discussão limitada sobre o papel de tais modelos no processo de Design visando a
inovação (BERTONI, 2020).
Assim, o presente artigo buscou compreender o estado da arte acerca da utilização do Big Data
no Design, levando à seguinte pergunta: Quais são as ênfases e lacunas na literatura qualificada sobre a
aplicação de Big Data no PDP, e em particular para o DDD, visando a inovação?
2. Revisão de literatura.

O Big Data pode ser definido por cinco características, as 5Vs: volume, velocidade, variedade,
veracidade e valor (DEVI, 2019). No âmbito do Design, alguns termos emergentes da Tecnologia da
Informação e Comunicação (TIC) que vêm sendo utilizados com mais frequência são: Data Science,
Data Mining e Business Intelligence (PRIOR, 2019). Algumas das principais interações entre esses
termos são elucidadas na figura 1.

Figura 1 – Tecnologias relacionadas ao Big Data & Design.

Fonte: Os autores, 2021.

O Data Science é a ciência orientada a dados que engloba preparação, limpeza e análise de
dados, como a mineração de dados (Data Mining). Enquanto, o Business Intelligence (BI) é definido
como um conjunto de processos e ferramentas de coleta, análise e de dados utilizados para uma tomada
de decisão estratégica (DAVENPORT; SPANYI, 2016).
Algumas das tecnologias atreladas ao Data Science, Data Mining e BI são: (1) Business
Analytics (BA) que trata dos aspectos analíticos necessários para se atingir o BI (DAVENPORT, 2020);
(2) Data Analytics que envolve a aplicação de processos modelos estatísticos avançados para projetar
cenários futuros; (3) Tecnologias de Inteligência artificial (Artificial Intelligence – AI) e Aprendizado
de Máquina (Machine Learning – ML) que podem ser utilizadas para mapear comportamentos futuros
por meio da compreensão e imitação da inteligência humana. Para que haja dados para esses processos,
usuários e outras tecnologias precisam gerá-los sendo a IoT (Internet of Things) uma das principais
delas. Conforme Oliana, Constantinides e Vries (2018), a IoT é uma rede composta por diferentes
dispositivos inteligentes, equipados com sensores e softwares que coletam e trocam dados.
Neste cenário, Costa e Pelegrini (2019) apontam que todas essas novas tecnologias estão
impactando diretamente o Design e o desenvolvimento de produtos, serviços ou sistemas. Sendo assim,
a abordagem de DDD apresenta-se pertinente para a inovação no PDP (figura 2), visto que é associada
a uma tomada de decisão fundamentada em dados digitais quantitativos.
 Figura 2 – Modelo de Referência do PDP. Fonte: Baseado em Rozenfeld et al. (2006)

Conforme Tan e Zhan (2017), alguns setores já estão se formalizando, unificando e inovando o
PDP, através do uso das potencialidades oferecidas pelas novas TIC. Provost e Fawcet (2016) também
apontam que desta maneira pode haver um melhor gerenciamento de produtos e a tomada de decisão é
mais aprimorada, elevando o desempenho dos negócios.

3. Metodologia.

A presente pesquisa possui abordagem quantitativa, caráter exploratório, análise crítica da

literatura e natureza descritiva. O método adotado para levantamento de dados foi uma Revisão
Bibliográfica Assistemática (RBA), seguida de uma Revisão Bibliográfica Sistemática (RBS).
A RBA permitiu estruturar a fundamentação teórica, identificar os principais temas e as
possíveis palavras-chave para a RBS. A RBS foi conduzida através de um roteiro (CONFORTO et al.,
2011) composto por 3 fases (Entrada, Processamento e Saída). Na entrada, foram definidos o problema,
os objetivos e critérios de inclusão: artigos revisados por pares, publicados de 2015 a 2020, em português
ou inglês. Além disso, foram delineadas as fontes primárias em bases com rigor de indexação: Periódicos
Capes, Science Direct e Scopus. Com relação aos termos (strings), foram definidos dois grupos (que
foram cruzados no processo de busca), sendo o primeiro composto por termos relacionados à ciência de
dados: big data, data mining, business intelligence, data-driven design e business analytics. Enquanto
o segundo relaciona-se ao PDP: new product development, product innovation processes, NDP, PDP e
design process.

4. Resultados e discussão.

A partir das buscas foram identificados 3.253 artigos. Na fase de processamento, após a exclusão
de artigos de outros campos, 1.231 publicações passaram para o Filtro 1. Destes foram lidos títulos,
resumos e palavras-chaves, passando 113 artigos para o Filtro 2, dos quais foram lidas introduções e
conclusões, resultando 39 artigos. Na fase de saída, com Filtro 3, os artigos foram lidos integralmente,
resultando em 16 trabalhos.
Os autores, o ano de publicação e as principais contribuições dos artigos lidos constam na figura
3. A pontuação refere-se a quanto o trabalho está próximo desta pesquisa, sendo: “1” próximo e “2”
muito próximo.
 Figura 3 – RBS: Resultados
Fonte: Os autores, 2021.

Vê-se na figura que 50% dos artigos foram publicados entre 2019 e 2020, revelando que a
intersecção dos temas tem sido recente e um assunto em ascensão. Ademais muitos dos estudos utilizam
o Big Data para compreender o comportamento do usuário para inovação no PDP.

4.1. Fontes de Big Data.

Ao tratar dos tipos e fontes de Big Data, para Timoshenko e Hauser (2019) a complexidade
desses gera dificuldade no gerenciamento do processo de PDP. Ao mesmo tempo, segundo D’arco et al.
(2019) e Wilberg et al. (2017), a capacidade de desenvolver produtos conectados entre si e com a nuvem,
tem criado fontes ricas em dados. A figura 4 ilustra as principais fontes de dados resultantes da RBS.

Figura 4 – RBS: principais fontes de dados utilizadas no PDP

Fonte: Os autores, 2021.

Conforme a figura, alguns dados aplicados no PDP advêm da interação do usuário com a
internet. As redes sociais e comunidades online são as fontes mais utilizadas, representando 31% das
atividades citadas nos artigos. Outras interações online, como pesquisa em sites de busca, cliques em
sites, fóruns de discussão e blogs respondem por 27% das fontes, apresentando dados de natureza
comportamental, psicográfica e demográfica (D´ARCO et al., 2019). Nota-se que o uso de IoT tem sido
também utilizado (18%), os dados derivados do uso do produto, em tempo real, também compõem este.
Já dados de e-commerce, CRM e base de dados internos da empresa apresentam dados de natureza
transacional, histórica e demográfica (D´ARCO et al., 2019), e são responsáveis por apenas 12% das
fontes. Vê-se que as fontes de dados abertos ou públicos também são pouco utilizadas (12%).

4.2. Tecnologias para captação de Big Data.

Observa-se na figura 5 a predominância do uso do Data Mining de texto e análise de conteúdo

e de sentimentos (56%). Em segundo lugar ficou o ML, com 32% de uso nos artigos. Com relação a
análise desses dados há predominância de análises de fontes de redes sociais, principalmente em text
mining (BERTONI, 2020; CHRISTENSEN et al., 2018; GRÜTZMANN; ZAMBALDE; BERMEJO,
2019; HAJLI et al., 2019; RATHORE; ILAVARASAN; DWIVEDI, 2016), isso pode justificar-se pela
facilidade de acesso a esses dados. As filtragens léxicas e ML também permitem realizar uma análise
de sentimentos via Big Data do UGC (User Generated Content - conteúdo gerado pelo usuário). Sendo
este um dos métodos para se identificar as emoções e obter insights do usuário (D´ARCO et al., 2019).

Figura 5 – RBS: principais tecnologias para coleta e/ou processamento de dados

Fonte: Os autores, 2021.

A AI em conjunto com as realidades virtual (VR) e aumentada (AR), representam apenas 12%
das tecnologias utilizadas, acredita-se que seja pelo fato destas tecnologias serem mais específicas.

4.3. Big Data e as Macrofases do PDP.

Grützmann, Zambalde e Bermejo (2019) e Zahay, Griffin e Fredericks (2004) apontam que as
necessidades de informações são irregulares no processo de PDP. Sendo que as macrofases mais
exigentes são o pré-desenvolvimento e o desenvolvimento, o que pode justificar o elevado número de
artigos que tratam dos dados nestas fases, 69% conforme a figura 6.
 Figura 6 – RBS: uso de Big Data nas macrofases do PDP
Fonte: Os autores, 2021.

Na sequência, durante as etapas de teste e a validação, o número de tipos de informações que

podem ser úteis no gerenciamento do projeto aumenta novamente, porque reflete um conjunto mais
amplo de incertezas. Posteriormente, verifica-se no pós-desenvolvimento uma baixa de utilização de
Big Data (6%) onde as maiores aplicações são em ações de marketing direcionadas à venda e
manutenção (D'ARCO et al., 2019).

4.4. Big Data & pré-desenvolvimento do PDP.

No pré-desenvolvimento do PDP, o primeiro passo para utilização de Big Data deve descrever
uma estratégia integrada de dados que dê suporte à decisão (WILBERG et al., 2017). Bertoni (2018) e
Li, Roy e Saltz (2019) frisam que esta fase deve-se permitir lidar com situações em que dados
disponíveis são escassos, e a informação pode estar imatura, típico de um contexto de Fuzzy Front End.
Ademais, as empresas precisam garantir que todos os membros da equipe tenham uma linguagem
comum, obtendo um mesmo significado dos dados e que sejam desenvolvidos sistemas degerenciamento
de informações para garantir que se atendam às necessidades em todas as macrofases (LI et al., 2019;
ZAHAY; GRIFFIN; FREDERICKS, 2004).
Nesta macrofase, o Big Data permite a integração de clientes e os transforma em fontes para
apoiar as empresas na geração e avaliação de ideias (D´ARCO et al., 2019; ZABOTTO et al., 2019;
ZHAN et al., 2018). A maioria das contribuições dizem respeito à identificação das necessidades dos
clientes (BERTONI, 2020). Wilberg et al. (2017) apontam que dados relacionados ao uso de produtos
também podem trazer novas estratégias ao identificar problemas.
Timoshenko e Hauser (2019) sugerem o uso de ML para a compreensão da experiência do
cliente, ao contrário de métodos tradicionais que são mais caros, demorados e recaem em julgamento
humano. O conteúdo gerado pelo usuário, como análises online, mídias sociais e blogs, fornece dados
textuais significantes e abrangentes na identificação de necessidades (D´ARCO et al., 2019).
Conforme Christensen et al. (2019) é possível extrair insights para gerar inovações com base
em textos de usuários de redes sociais usando ML e Data Mining. Os autores argumentam que o método
de marcadores linguísticos é aplicável em diferentes áreas tecnológicas e categorias de produtos, porque
a maioria das pessoas usa um conjunto específico de palavras e expressões ao se comunicarem.
Vê-se que as mídias sociais criam muitas oportunidades para a identificação e engajamento do
público. Assim, as organizações podem comparar aspectos relativos ao produto com as percepções
individuais (RATHORE et al., 2018). Sendo que o perfil do consumidor e de personas podem ser
construídos com base nessas ações online, sejam voluntárias ou não (D´ARCO et al., 2019).

4.5. Big Data & desenvolvimento do PDP.

O Big Data suporta o desenvolvimento através da coleta de dados para geração de insights.
Nesta macrofase são necessárias informações claras e objetivas. Porém, uma dificuldade encontra-se
nas diferenças de linguagens utilizadas no processo, devido à variedade de profissionais envolvidos,
sendo de área técnica, de marketing, de ciência de dados (TAN; ZHAN, 2017), de Design, dentre outras.
Ao tratar do uso de dados com base em VR e AR, este agiliza o processo, fazendo com que
produtos virtuais possam ser utilizados para o processo de tomada de decisão antecipada (SILVA et al.,
2019). O Big Data também pode acelerar o lançamento de produtos e determinar os pontos fracos no
início do desenvolvimento (TAN; ZHAN, 2017).
Para a etapa de geração de alternativas, o suporte à decisão de um projeto deve permitir que a
equipe selecione os conceitos mais assertivamente. Assim, iterações via Big Data podem ser executadas
em tempo real, e um primeiro lote de modelos podem ser disponibilizados rapidamente (BERTONI,
2018).
Conforme Bertoni (2018) e Wilberg et al. (2017), o principal uso dos dados no desenvolvimento
serve para aperfeiçoar a manutenção do produto captando dados de uso. Esses podem ser analisados
para agrupar clientes, monitorar a condição do produto, dificuldades e erros de uso.
Para a atividade de criação, as estratégias de cocriação e colaboração também podem ser
alavancadas (RATHORE; ILAVARASAN; DWIVEDI, 2016; ZHAN et al., 2018) na medida em que
esta abordagem permite que os clientes “projetem” produtos que atendam às necessidades particulares.
A vantagem de usar Big Data envolvendo o cliente, ao contrário de pesquisas de mercado convencionais,
é que os clientes não são apenas questionados sobre suas necessidades, eles podem exibir sua
criatividade. Isso pode ser atingido com simulações ou aquisições de informações de diferentes fontes
relativas a um produto, individualizando-se os protótipos virtuais (GRÜTZMANN; ZAMBALDE;
BERMEJO, 2019). Zhan et al. (2018) também indica que para testes e lançamento do produto, o Big
Data permite que as empresas transfiram indivíduos de diferentes fontes (comunidades, sites e
plataformas baseados na Web) para o papel de possíveis clientes.

4.6. Big Data & pós-desenvolvimento.

No pós-desenvolvimento é importante acompanhar a performance do produto no mercado. Tan

e Zhan (2017) citam que empresas que se comunicam com seus clientes por meio de Big Data, reduzem
custos e tempo.
No contexto brasileiro, Grützmann, Zambalde e Bermejo (2019) mostram que empresas fazem
investimentos em várias frentes de tecnologia nesta macrofase. Os blogs, fóruns de discussão e mídias
sociais, em geral, reúnem as informações para o pós-lançamento e manutenção.
Ao tratar da jornada do usuário, D´arco et al. (2019) apresentam um framework sobre o uso do
Big Data e IA. Os autores demonstram como a IA pode suportar sistemas de tomada de decisão e
apontam o uso de Big Data em atividades do pós-desenvolvimento, como construir estratégias de venda,
de preço e promoções, também para aquisição de clientes e previsão de demanda. Como fontes de dados
para estas atividades são considerados principalmente dados de e-commerce e de CRM da empresa, mas
também dados de redes sociais e atividades online.

4.7. Atividades das macrofases do PDP & origem dos dados.

A tabela 1 representa as macrofases do PDP e suas atividades, onde é levado em conta,

principalmente, a inteligência que o Big Data pode prover e o tipo de dados que apoia cada atividade.
 Tabela 1 - Atividades nas macro fases e fontes de dados

Fonte: Os autores, 2021

Vê-se que a macrofase do pré-desenvolvimento é a que utiliza a maior variedade de dados para
suas atividades. Já o desenvolvimento utiliza dados mais relacionados a interações nas redes sociais e
de todas as atividades online. Por fim, o pós-desenvolvimento utiliza mais dados de transações
comerciais como de e-commerce, CRM e dados internos.
Quanto às atividades levantadas (as que mais foram citadas nos resultados da RBS), observou-
se que a atividade de formulação estratégica foi pouco abordada. A etapa de descontinuidade do produto,
pensando na circularidade e sustentabilidade, também não foi abordada.

5. Conclusões.

O artigo apresentou os resultados de uma revisão sistemática da literatura investigando a

aplicação do DDD no PDP. As contribuições científicas relevantes para a pergunta de pesquisa foram
categorizadas com base no uso de Big Data nas diferentes macrofases do PDP. A análise focou nas
tecnologias, origens, tipo e processamento de dados dentro das macrofases e suas contribuições para o
PDP.
Mostrou-se uma predominância do uso de técnicas de mineração de texto provenientes das
mídias sociais, além de análises online para todas as macrofases do PDP. No pré-desenvolvimento e
desenvolvimento são obtidos dados com intuito de identificar problemas, perfil e necessidades dos
clientes e usuários. No desenvolvimento, esta mesma origem de dados alimenta a ideação, criação,
geração de alternativas, detalhamento do projeto, testes e avaliações. Já no pós-desenvolvimento, apesar
de ter sido observado um menor uso do DDD, esses são usados para apoiar atividades como lançamento,
acompanhamento da performance de produto e manutenção. Os dados utilizados nesta macrofase são,
além de também provenientes de redes sociais, derivados de sistemas de e-commerce, CRM e banco de
dados da organização.
Apesar dessa segmentação quanto à origem do Big Data, para as empresas que pretendem extrair
conhecimento dos grandes dados para apoiar o processo de inovação, sugere-se a utilização de múltiplas
origens e tecnologias em todas as macrofases. Os resultados evidenciam que a inteligência com base em
dados deve estar alinhada estrategicamente na organização, fazendo com que os diversos profissionais
envolvidos sigam a mesma linguagem e planejamento.
Quanto às contribuições, destaca-se a possibilidade de acelerar o processo determinando os
pontos fracos antecipadamente e a utilização de dados de uso em tempo real para aperfeiçoar o
desenvolvimento. A facilitação da colaboração, em tempo real, dos clientes por meio de plataformas de
cocriação, também se destaca. Apesar de não serem o foco deste estudo, e não terem sido
suficientemente abordados pelos autores, aspectos legais impõe desafios e barreiras relacionados a
coleta, armazenagem e utilização de Big Data. No Brasil, de forma a garantir que esses processos
ocorram de maneira ética, transparente e com segurança, em 2020 entrou em vigor a LGPD (Lei Geral
de Proteção de Dados). Ademais, outras lacunas encontradas referem-se à aplicação de dados em etapas
estratégicas e para sustentabilidade.
Por fim, os resultados parecem não estar alinhados com a teoria que descreve as abordagens
DDD como uma resposta à oportunidade concedida pelo aumento da acessibilidade da ciência de dados.
Nota-se que ainda há muito a se evoluir no que tange a estruturação do PDP para planejar
sistematicamente a implementação do DDD. Desta maneira, o artigo fornece um ponto de partida para
investigações mais profundas, levando adiante o estado da arte do DDD aplicado ao PDP para a
inovação.

Referências.

ALÃO, R. Sobre a complexidade dos problemas contemporâneos de design. DAT Journal, v. 5, n. 4,

p. 24-40, 2020.

BERTONI, A. Role and challenges of data-driven design in the product innovation process. IFAC-
PapersOnLine, v. 51, n. 11, p. 1107-1112, 2018.

BERTONI, A. Data-driven design in concept development: systematic review and missed

opportunities. In: DESIGN SOCIETY: design conference, 2020. Proceedings [...] Cambridge:
Cambridge University Press, v. 1, p. 101-110. DOI: https://doi.org/10.1017/dsd.2020.4

CHRISTENSEN, K.; SCHOLDERER, J.; HERSLETH, S. A.; NÆS, T.; KVAAL, K.; MOLLESTAD,
T.; RISVIK, E. How good are ideas identified by an automatic idea detection system?. Creativity and
Innovation Management, v. 27, n. 1, p. 23-31, 2018.

CONFORTO, E. C.; AMARAL, D.C.; SILVA, S.L. Roteiro para revisão bibliográfica sistemática:
aplicação no desenvolvimento de produtos e gerenciamento de projetos. In: CONGRESSO
BRASILEIRO DE GESTÃO DE DESENVOLVIMENTO DE PRODUTOS, 8., 2011, Porto Alegre.
Anais [...] Porto Alegre: UFRGS, 2011. p. 1-12.

COSTA, C.; PELEGRINI, A. Modelo para estabelecer competências para o futuro do design orientado
pelas tecnologias emergentes. Estudos em Design, v. 27, n. 3, p.180-198, 2019.

D´ARCO, M. D; PRESTI, L. L.; MARINO, V.; RESCINITI, R. Embracing AI and Big Data in customer
journey mapping: from literature review to a theoretical framework. Innovative Marketing, v. 15, n. 4,
p.102-115, 2019.

DAVENPORT, T.; SPANYI, A. Improve new product development with predictive analytics. 2016.
Disponível em: http://ide.mit.edu/news-blog/blog/improve-new-product-development-predictive-
analytics. Acesso em: 21 abr. 2020.
DEVI, G. N. R. Emerging trends in big data analytics – a study. In: KIMAR, A.; MOZAR, S. (Ed.).
ICCCE: proceedings of the international conference on communications and cyber physical engineering.
Singapore: Springer, 2019. p. 563-570. (Lecture Notes in Electrical Engineering, v.500)

FRISK, J. E.; BANNISTER, F. Improving the use of analytics and big data by changing the decision-
making culture: a design approach. Management Decision, v. 55, e.10, p. 2074-2088, 2017.

GRÜTZMANN, A.; ZAMBALDE, A. L.; BERMEJO, P. H. S. Innovation, new product development

and internet technologies: study in Brazilian companies. Gestão & Produção, v. 26, n. 1, 2019. DOI:
https://doi.org/10.1590/0104-530X1451-19

HAJLI, N.; TAJVIDI, M.; GBADAMOSI, A.; NADEEM, W. Understanding market agility for new
product success with big data analytics. Industrial Marketing Management, v. 86, p. 135-143, 2019.

LI, Y.; ROY, U.; SALTZ, J. S. Towards an integrated process model for new product development with
data-driven features (NPD 3). Research in Engineering Design, v. 30, n. 2, p. 271-289, 2019.

OLIANA, R.; CONSTANTINIDES, E.; VRIES, S. The Internet of things: the next big thing for new
product development? Journal of Marketing Trends, v. 5, n.1. p. 159-176, 2018.

PRIOR, V. Glossary of terms used in competitive intelligence and knowledge management.

Virginia: SCIP–Strategic and Competitive Intelligence Professionals, 2010.

PROVOST, F.; FAWCETT, T. Data science para negócios. Rio de Janeiro: Alta Books, 2016.

RATHORE, A. K.; DAS, S.; ILAVARASAN, P. V. Social media data inputs in product design: case of
a smartphone. Global Journal of Flexible Systems Management, v. 19, n. 3, p. 255-272, 2018.

RATHORE, A. K.; ILAVARASAN, P. V.; DWIVEDI, Y. K. Social media content and product co-
creation: an emerging paradigm. Journal of Enterprise Information Management, 2016.

ROZENFELD, H.; AMARAL, D.C.; ALLIPRANDINI, D.H.; FORCELLINI, F.; TOLEDO, J.C.;
SCALICE, R. SILVA, S.L. Gestão de projetos em desenvolvimento de produtos: uma referência
para a melhoria do processo. São Paulo: Saraiva, 2006.

SILVA, R. K. J.; RUPASINGHE, T. D.; APEAGYEI, P. A Collaborative apparel new product

development process model using virtual reality and augmented reality technologies as enablers.
International Journal of Fashion Design, Technology and Education, v. 12, n. 1, p. 1-11, 2019.

SPIEGEL, R. Home big data and cloud computing have moved into design. Design News. v. 71, e. 10,
p. 38-39, 2016.

TAN, K. H.; ZHAN, Y. Improving new product development using big data: a case study of an
electronics company. R&D Management, v. 47, n. 4, p. 570-582, 2017.

TIMOSHENKO, A.; HAUSER, J. R. Identifying customer needs from user-generated content.

Marketing Science, v. 38, n. 1, p. 1-20, 2019.

WILBERG, J.; TRIEP, I.; HOLLAUER, C.; OMER, M. Big Data in product development: need for
a data strategy. In: INTERNATIONAL CONFERENCE ON MANAGEMENT OF ENGINEERING
AND TECHNOLOGY, 2017, Portland. Proceedings [...] Piscataway: IEEE, 2017. DOI:
10.23919/PICMET.2017.8125460
 ZABOTTO, C. N.; AMARAL, D. C.; HORNOS, C. J. M.; BENZE, B. G. Automatic digital mood
boards to connect users and designers with kansei engineering. International Journal of Industrial
Ergonomics, v. 74, Nov. 2019. DOI: 10.1016/j.ergon.2019.102829.

ZAHAY, D.; GRIFFIN, A.; FREDERICKS, E. Sources, uses, and forms of data in the new product
development. Industrial Marketing, v. 33, n. 7, p. 657-666, 2004.

ZHAN, Y.; TAN, K. H.; LI, Y.; TSE, Y. K. Unlocking the power of big data in new product
development. Annals of Operations Research, v. 270, n. 1, p. 577-595, 2018.

View publication stats